整体概述：

• 第一步：降维----特征值
• 第二步：k-means聚类

基于图论的聚类方式：

• 拉普拉斯矩阵的特征向量进行聚类

连点成线构成图：

图的度矩阵-图的邻接矩阵=拉普拉斯矩阵：

归一化拉普拉斯矩阵：

生成该拉普拉斯矩阵最小的k个特征值+特征向量：

特征向量kmeans聚类：

谱聚类的优点与缺点：

• 优点：
  • 稀疏处理：
    • 只要数据之间的相似度矩阵
    • 对于处理稀疏数据的聚类很有效
  • 高维处理：
    • 使用降维
    • 处理高维数据聚类时间复杂度比传统聚类算法好
    • 在高维数据上表示尤为明显
• 缺点：
  • k值：
    • k值只能靠猜测
  • 最终效果可能不同：
    • 聚类效果依赖于相似矩阵
    • 不同相似矩阵得到最终聚类效果不同
    •